详细内容或原文请订阅后点击阅览
使用 torch 进行入门时间序列预测
这篇文章介绍了使用 torch 进行时间序列预测。核心主题是数据输入和 RNN（GRU/LSTM）的实际使用。即将发布的文章将以此为基础，并介绍越来越复杂的架构。
来源:RStudio AI博客这是介绍使用 torch 进行时间序列预测的系列文章中的第一篇。它确实假设您之前具有使用 torch 和/或深度学习的经验。但就时间序列而言，它从一开始就使用循环神经网络 (GRU 或 LSTM) 来预测事物随时间的发展。
torch
torch
在这篇文章中，我们构建了一个网络，该网络使用一系列观察值来预测下一个时间点的值。如果我们想预测一系列值，对应于一周或一个月的测量值，该怎么办？
序列我们可以做的一件事是将先前预测的值反馈给系统；这是我们将在本文末尾尝试的事情。后续文章将探讨其他选项，其中一些涉及更复杂的架构。比较它们的性能将会很有趣；但主要目标是介绍一些可以应用于您自己的数据的 torch“配方”。
torch
我们首先检查使用的数据集。它是一个低维的，但非常多价和复杂的数据集。
时间序列检查
vic_elec 数据集可通过 tsibbledata 包获得，它提供了澳大利亚维多利亚州三年的半小时电力需求，并增加了相同分辨率的温度信息和每日假期指标。
vic_elec
tsibbledata
行数：52,608列数：5$ 时间 2012-01-01 00:00:00, 2012-01-01 00:30:00, 2012-01-01 01:00:00,…$ 需求 4382.825, 4263.366, 4048.966, 3877.563, 4036.230, 3865.597, 369…$ 温度 21.40, 21.05, 20.70, 20.55, 20.40, 20.25, 20.10、19.60、19.10、…$ 日期 2012-01-01、2012-01-01、2012-01-01、2012-01-01、2012-01-01、20…$ 假期 TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRUE、TRU…预测：原理与实践 具有 ARMA 误差的二次回归
需求
首先，这是七月。
vic_elec_2014 <- vic_elec %>% vic_elec_2014 <- vic_elec %>% filter(year(Date) == 2014) %>% filter filter ( year year ( Date ) == 2014 ) (